Machine Learning é um ramo da Inteligência Artificial (IA) em que algoritmos computacionais são apresentados a grandes volumes de dados, com o intuito de identificarem padrões complexos entre os dados. Com isso, posteriormente eles podem executar de forma autônoma as tarefas para as quais foram modelados, sem que tenham sido programados passo-a-passo para atingir os resultados.
Já abordamos em outro artigo no site da Lean Saúde 3 grandes áreas em que a IA pode ser aplicada à saúde:
- Predição/classificação a partir de dados estruturados;
- Análise de imagens médicas; e
- Análise de linguagem natural.
Neste artigo, vamos fornecer exemplos reais de sistemas ou empresas adotando machine learning na área da saúde. A maioria das soluções não são brasileiras, mas cada vez mais estamos vendo o desenvolvimento da IA por universidades e empresas nacionais, como a Lean Saúde. Dada a vastidão de aplicações do machine learning, a lista aqui fornecida não é exaustiva, mas serve como uma boa referência e inspiração.
Observação: os exemplos aqui mencionados são meramente ilustrativos. A Lean Saúde não recomenda ou endossa nenhum produto ou empresa em particular. Use as informações conforme seu critério.
1. Sistemas de Apoio à Decisão Clínica
Sistemas de apoio à decisão clínica englobam um conjunto de aplicações da tecnologia, dedicadas a fornecer insumos à equipe assistencial na formulação de hipóteses diagnósticas, escolha de alternativas de tratamento, ponderação de riscos e interações medicamentosas, e assim por diante.
Um exemplo desta aplicação é a triagem automatizada oferecida pela Infermedica. Os pacientes informam os sintomas, tempo de evolução e outras informações que o algoritmo julgue relevantes, numa árvore de decisão dinamicamente construída a partir de milhões de associações entre doenças e sintomas com respaldo na literatura médica. Segundo a empresa, o objetivo deste produto é permitir uma rápida classificação de risco do paciente, para que seja adequadamente encaminhado ao nível de assistência mais adequado.
No Brasil, a startup Laura oferece soluções de apoio à decisão clínica, identificando precocemente a deterioração clínica de pacientes internados, por exemplo.
2. Machine Learning aplicado à Radiologia
Imagens médicas radiológicas, como radiografias, tomografia computadorizada, ressonância magnética ou ultrassonografia, constituem fontes ricas de informação para o diagnóstico, tratamento e prognóstico dos pacientes.
Diversos estudos e produtos têm sido desenvolvidos nos últimos anos nesta área, com resultados promissores, alguns dos quais já sendo utilizados na prática.
Podemos mencionar como exemplo de iniciativa na área o projeto InnerEye, da Microsoft. Trata-se de um projeto de pesquisa que utiliza técnica de machine learnign para a análise de imagens médicas 3D.
3. Machine Learning aplicado à Dermatologia
O reconhecimento de padrões ao exame dermatológico direto ou por meio de fotografias de lesões de pele é a base da prática dermatológica — tão importante para a detecção precoce de lesões potencialmente graves, como melanomas malignos de pele.
Vários trabalhos têm sido publicados nos últimos anos nesta área. Em 2021, a Google anunciou em seu evento anual “Google I/O” o desenvolvimento de uma plataforma de detecção de lesões de pele, utilizando fotografias de celular.
4. Monitoramento de Pacientes
Para o sucesso do tratamento dos pacientes, ou, de forma mais ampla, para a promocação de saúde populacional, tão importante quanto as intervenções assistenciais pontuais, é o monitoramento contínuo da saúde. Isto inclui a captação ativa e passiva de informações de saúde (como valores de pressão arterial ou glicemia, hábitos de vida, prática de atividades físicas, etc.).
Com o advento de wearables, como o Apple Watch e similares, a captura contínua de dados relevantes de saúde tem se tornado uma realidade. Apps diversos têm sido construídos também com a finalidade de otimizar o monitoramento de pacientes.
Podemos exemplificar com o Somatix, uma solução de telemonitoramento que oferece uma interface para profissionais de saúde acompanharem e atuarem em seus pacientes assistidos.
5. Predição de Risco Populacional
Um dos aspectos-chave para a gestão de saúde eficiente é a identificação de populações com maior risco de adoecimento ou complicações. Isto permite direcionar esforços e recursos de maneira inteligente, efetivamente promovendo saúde e reduzindo custos.
Todo o ecosssistema de saúde tende a se beneficiar com tais análises preditivas, as quais, embora desafiadoras (dado o grande volume de dados de qualidade necessários para predições acuradas, como em toda técnica de machine learning), são igualmente muito promissoras.
O Lean Predict é um exemplo de aplicação dessas técnicas. Desenvolvido pela Lean Saúde, o objetivo do Lean Predict é identificar populações de alto risco de internação hospitalar ou de alto risco de complicações de doenças crônicas, por exemplo.